為提高軸承剩余使用壽命預測精度,提出一種基于改進PSO-SVR的軸承剩余使用壽命預測方法。選取軸承水平和垂直方向振動信號均方根、峰值因子、峭度因子等參數(shù)構(gòu)造多維退化特征,建立基于SVR的軸承剩余使用壽命預測模型;針對SVR參數(shù)優(yōu)化問題,設計一種動態(tài)自適應異步粒子群優(yōu)化算法,引入G_worst修正了速度位置更新公式,改進了一種基于倒S形函數(shù)的自適應慣性權(quán)重系數(shù)和一種基于慣性權(quán)重系數(shù)的異步自適應學習因子,能夠有效克服局部最優(yōu),加快收斂效率,提高回歸精度。仿真實驗結(jié)果表明:提出的方法與GS-SVR、GA-SVR、PSO-SVR、MPSO-SVR相比,具有較高的預測效率和預測精度,預測精度均優(yōu)于GBDT、RF、DT、GP等經(jīng)典回歸預測方法。 

【文章來源】：機床與液壓. 2020,48(16)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

多軸承健康壽命協(xié)同預測技術流程

由表2可得:文中改進PSO-SVR模型在RMSE、MAE、MSE、R-square方面均優(yōu)于其他4種模型。由于將軸承剩余使用壽命進行了歸一化處理,評價指標數(shù)值較小,因此引入預測誤差分析,由表3可得:文中模型平均誤差為1.582%,為5個模型中最優(yōu);預測誤差在1%以內(nèi)樣本個數(shù)為13個,與PSO-SVR模型相當;預測誤差在5%以內(nèi)的個數(shù)為19個,僅次于MPSO-SVR;1個樣本因剩余使用壽命過小,導致預測結(jié)果偏差較大。通過表2、表3評價結(jié)果可得文中設計模型對軸承剩余使用壽命具有較高的預測精度,測試樣本實際壽命與預測壽命對比見圖4,可得:文中模型對于軸承剩余使用壽命預測具有較好的擬合效果。為進一步說明本文作者提出的動態(tài)自適應異步粒子群優(yōu)化算法收斂效率與尋優(yōu)速度,對5種模型運行時間與收斂代數(shù)進行統(tǒng)計分析,如表4所示,文中的設計模型相比PSO-SVR、MPSO-SVR、GA-SVR模型能夠快速收斂,且運行時間與PSO-SVR相當,優(yōu)于其他3種模型。

為進行軸承剩余使用壽命精準預測,需要選擇特征明顯的軸承退化特征指標,與其歷史運行狀態(tài)數(shù)據(jù)進行擬合分析。為克服不同特征參數(shù)間數(shù)值范圍影響,降低數(shù)據(jù)維度,提高算法效率,本文作者選擇圖2、圖3所示軸承水平方向和垂直方向振動信號的均方根、峰值因子和峭度因子等時域特征,見式(1)—式(3),采用最大最小歸一化方法進行特征值處理,見式(4),構(gòu)建了多維退化特征指標,見式(5)。圖3 軸承垂直方向振動信號

【參考文獻】：
期刊論文
[1]KPCA和改進SVM在滾動軸承剩余壽命預測中的應用研究[J]. 者娜,楊劍鋒,劉文彬,陳良超.  機械設計與制造. 2019(11)
[2]電子設備故障預測與健康管理技術發(fā)展新動態(tài)[J]. 呂克洪,程先哲,李華康,張勇,邱靜,劉冠軍.  航空學報. 2019(11)
[3]基于連續(xù)型HMM和PSO-SVM的滾動軸承剩余壽命預測[J]. 劉波,寧芊,劉才學,艾瓊,何攀.  計算機應用. 2019(S1)
[4]基于WLR和PSO-AFS-SVR的滾動軸承可靠度預測方法[J]. 史一明,程健,陳自強.  測控技術. 2019(03)
[5]基于S型函數(shù)的自適應粒子群優(yōu)化算法[J]. 黃洋,魯海燕,許凱波,胡士娟.  計算機科學. 2019(01)
[6]智能裝備故障預測與健康管理系統(tǒng)研究[J]. 黃忠山,田凌.  圖學學報. 2018(05)
[7]基于遺傳算法和支持向量回歸的鋰電池健康狀態(tài)預測[J]. 劉皓,胡明昕,朱一亨,於東軍.  南京理工大學學報. 2018(03)
[8]基于多頻率尺度模糊熵和ELM的滾動軸承剩余壽命預測[J]. 王付廣,李偉,鄭近德,徐培民.  噪聲與振動控制. 2018(01)
[9]慣性權(quán)重正弦調(diào)整的粒子群算法[J]. 姜長元,趙曙光,沈士根,郭力爭.  計算機工程與應用. 2012(08)

碩士論文
[1]基于隨機森林算法的短期負荷預測研究[D]. 石婷婷.鄭州大學 2017



本文編號：3003472